MR spektroskopi og gliom

– Det er mange som ser på hvordan man kan forbedre spektroskopi med ulike MR-sekvenser, men vi valgte en annen vinkling som besto i å se om vi med maskinlæring fikk mer nytte av sekvensene som brukes i dag, sier Erin Beate Bjørkeli til Hold Pusten.

 Bjørkeli er ansatt ved Institutt for Klinisk medisin ved Universitetet i Oslo, og studien, som ble publisert i PLOS Digital Health, inngikk i doktorgraden som hun disputerte til tidligere i år. 

Mye prosessering

– Jeg har jobbet med maskinlæring tidligere og litt med MR-fysikk, men ikke spektroskopi spesifikt, forteller hun og utdyper:

– Jeg var imidlertid kjent med at en utfordring med spektroskopi er at det er lite brukt klinisk fordi det er vanskelig å få tak i gode nok data.

Hun peker på at spektroskopidataene er vanskelige og tidkrevende å behandle, og at de som tolker bildene, må ha spesialkompetanse på dette.

– Spektroskopidataene må prosesseres mye da det er mye støy i dem, sier hun.

– I tillegg har man problemer med at det brukes ulike typer software i behandlingen av bildene, som gjør det vanskelig å sammenligne data på tvers av klinikker.

Hun ville derfor teste ut ulike maskinlæringsmodeller på spektroskopibilder av gliomer for å se om det var mulig å tolke noe ut av rådataene.

– Det har vært andre studier som har brukt maskinlæring på spektroskopi tidligere, presiserer hun.

– Men da er maskinlæringen som regel brukt for å takle en del av prosesseringen, som for eksempel å fjerne støy mens vi har prøvd å bruke det på en større del av prosessen.

Og de fant at ved å bruke maskinlæring på spektroskopiens rådata, så kunne de skille mellom gliomer og friskt hjernevev uten at dataene trengte å behandles.

Problem med lav oppløsning

Bjørkeli trekker videre frem at MR spektroskopi kan gi detaljert informasjon om metabolismen i hjernevevet som igjen kan bidra til en bedre diagnose av gliom.

– Men de metabolittene eller de molekylene vi er interessert i å måle i hjernen med spektroskopi, dem er det ofte veldig lave konsentrasjoner av, og da blir oppløsningen av bildene lav og varierende, sier hun og utdyper:

– Tanken er at spektroskopi skal brukes sammen med andre former for MR, men det er vanskelig å sammenligne hvis du ikke får et bilde hvor du ser grensene på et gliom, og når bildene har ulik oppløsning.

I doktorgraden hennes inngikk derfor også to studier hvor de forsøkte å øke oppløsningen på spektroskopibildene.

– Dette for å få et tydelig bilde av gliomet og for lettere å bruke spektroskopien i kombinasjon med andre MR-undersøkelser og annen bildediagnostikk, sier hun.

Til dette brukte de også kunstig intelligens.

– Vi samarbeidet med kolleger ved NTNU og St. Olavs hospital som holdt på med PET-MR og som også hadde spektroskopidata, forteller Bjørkeli.

– Og da vi økte oppløsningen på spektroskopibildene de hadde, så vi at det var bedre overlapp med biopsiene vi hadde samlet inn basert på PET-bildene sammenlignet med hvis vi bare brukte spektroskopien i lav oppløsning.

Fryktelig mye data

PET-MR-radiograf ved St. Olavs hospital Wilhelm Iversen jobber fast med forskningsprosjekter. Han var riktignok ikke med og samlet inn dataene som Bjørkeli brukte i studiene sine da disse ble samlet inn for en tid tilbake.

– Men spektroskopi har vært lovende lenge, selv om det ikke har blitt noe breaking point ennå, sier han til Hold Pusten.

– Det er derfor fortsatt i forskningsøyemed de bruker det, og hos oss gjør de mye spektroskopi på 7T MR-maskinen. Der får de et høyere signal, så med tanke på hjernetumorutredning er det nok mer lovende på 7T en på 3T.

Ellers mener han det viktige med Bjørkelis studie er å se om man kan få nytte av kunstig intelligens til å tolke alle dataene i spektroskopien.

– Fordi det er fryktelig mye data, og de forskjellige gradene av hjernetumor kan ha overlappende karakteristikker som det kan være vanskelig å skille fra hverandre, sier han.

– Og da kan KI være til hjelp for å luke ut ting.

MR-sekvensene som ble benyttet i dataene Bjørkeli benyttet, forteller Iversen at besto av både 3D T₁, 3D FLAIR, T₂, diffusjon, perfusjon og en 3D T₁ etter kontrast. 

– Men det som var spesielt med disse forskningssekvensene, var at den radioaktive traceren ble gitt når pasienten lå i maskinen, og så tok de PET-opptaket fra tid null slik at de så opptaket av traceren over tid, sier han.

– Hele protokollen varte i 45 minutter.

PET og spektro i samme slengen

Iversen trekker riktignok frem en utfordring i forbindelse med opptaket av spektroskopibildene som ble benyttet i studien.

– Spektroskopi-opptaket ble kjørt sammen med PET-opptaket, forklarer han.

– Og når du gjør et PET-opptak, så har du ikke mulighet til å flytte pasienten. Slik at når de skulle ta spektroskopibildene, så kan det være at de ikke hadde en optimal sentrering.

Ideelt sett mener han derfor at spektroskopien burde ha blitt kjørt utenfor PET-MR-opptakene.

– Fordi da kunne man kanskje ha flyttet pasienten noen millimeter eller centimeter for å få tumor i senter, uttaler han.

– For utfordringen for oss radiografer med spektroskopi er å plassere spekteret så optimalt som mulig i forhold til hjernetumoren, og den er aldri lik.

Han synes imidlertid det er artig å være med å samle inn datagrunnlag til forskningsprosjekter.

– Og da vil vi at dataene skal bli best mulig, for det er der vi radiografer kommer inn, vi bistår forskerne til å få en optimal sekvens ut fra hva de er ute etter, understeker Iversen.

Veiledende for biopsi

Når det gjelder spektroskopi for gliom-pasienter og utprøvingen av maskinlæringsmodeller som Bjørkeli har gjort, peker hun på at det er et problem at det er lite spektroskopidata tilgjengelig.

– Og hvis man skal trene maskinlæringsmodeller som skal brukes klinisk, vil man gjerne ha et stort datasett som aller helst er fra mange ulike klinikker, sier hun.

Men denne utfordringen til tross, så mener hun at spektroskopi har et stort potensial.

– Det som er fint med spektroskopi av gliomer sammenlignet med vanlig MR, er at man kan se endringer i metabolismen og hvor tumoren er mer aggressiv, uttaler Bjørkeli.

– I teorien kan man skille på ulike mutasjoner med spektroskopi. Men her er det biopsi som er gullstandarden, og foreløpig tenker jeg at spektroskopi er mest aktuell som en veiledning for biopsi, slik at legene bedre vet hvor de skal ta biopsien.

I tillegg mener hun spektroskopi kan bli nyttig for å studere hvordan pasienter responderer på medisiner.

– For ved å studere endringer i metabolismen, kan man se hvordan tumor responderer på behandling tidligere enn hva du kan se med vanlig MR, presiserer hun.

– Men maskinlæring er viktig for å kunne gjøre spektroskopi mer anvendelig, og dette er, som sagt, avhengig av at det er samlet inn mye data med god nok kvalitet. 

post@holdpusten.no

Her finner du den omtalte studien.